ドメイン特化型の機械翻訳および品質推定システムに向けて

要旨: 機械翻訳（MT）と品質推定（QE）は一般的な領域ではよく機能しますが、領域の不一致があると劣化します。本論文は、データに焦点を当てた一連の貢献を通じて、専門領域に適応する形でMTおよびQEシステムをどのように適応させるかを研究します。第2章では、MTのための類似性に基づくデータ選択手法を示します。小さく、的を絞った領域内サブセットは、はるかに大きな汎用データセットよりも優れ、計算コストを低くしながら強力な翻訳品質に到達します。第3章では、領域適応と軽量なデータ拡張を組み合わせた、段階的なQE学習パイプラインを提案します。この手法は、ゼロショットおよびクロスリンガルのケースを含め、領域、言語、資源設定にわたって性能を向上させます。第4章では、微調整におけるサブワードのトークン化と語彙の役割を調べます。対応づいたトークン化—語彙の設定は、安定した学習とより良い翻訳品質につながりますが、不一致の設定は性能を低下させます。第5章では、大規模言語モデルのための、QEに導かれたインコンテキスト学習手法を提案します。QEモデルは、パラメータ更新を行わずに翻訳品質を改善するような例を選択し、標準的な検索手法よりも優れた性能を発揮します。このアプローチは、参照なしの設定もサポートし、単一の参照セットへの依存を低減します。これらの結果は、領域適応はデータ選択、表現、および効率的な適応戦略に依存することを示しています。本論文は、領域固有の設定において信頼性よく動作するMTおよびQEシステムを構築するための手法を提供します。